跳转至

Rene Haas（Arm CEO）：token 工厂之外的那些卡车、供应链还要紧三到五年（No Priors，2026-09-03）

说话人认定依据：自动字幕只有 >> 换行符、无姓名标签，且本期是两位主持 + 一位嘉宾。本页只在有依据时区分：讲 Arm 内部、SoftBank 内部、"我 2013 年来 Arm"、"我此前在 NVIDIA"、"以美国公民的身份"的一律为 Haas（[00:06:11]、[00:25:24]）；提问方统称"主持人"，仅在明确点名时区分（开场"今天 Elad 和我"，[00:00:00]）。抢话处不逐句区分。⚠️ 自动字幕专名错得很多，对照见页末。

本期是本库第一份来自 CPU / IP 侧的一手材料。 此前算力材料都来自 NVIDIA、Cerebras、Intel、TSMC、推理服务栈 这几类视角；Haas 的位置很特殊——Arm 同时是"卖 IP 给所有人"（因此能看到全行业需求）和"刚开始自己卖芯片"（因此第一次自己去买晶圆和内存）。

概要

本期有两条彼此独立、都值得单独引用的主线：

  1. CPU 在 AI 系统里的角色被严重低估了——他的说法是加速器是 token 工厂，而"把 token 运给用户的卡车"是 CPU（[00:34:31]–[00:35:31]）。
  2. 供应链紧张至少还有三到五年，而下一个瓶颈不是晶圆也不是内存，是数据中心本身建不起来（[00:12:15]–[00:14:16]）。

本期最该被单独引用的九条

  1. ⚠️ "任何被发明出来的计算问题，没有一个是不用、也不能用微处理器的。它是一切的心脏。"（[00:00:00]、[00:34:31]）他复盘 ChatGPT 之后那几年的行业心态是"不管问题是什么，答案都是加速器"，而 CPU "在加速器起飞时被稍微忘掉了"。
  2. ⚠️ 他给 CPU 的重新定位，是本库目前关于推理系统结构最好记的一个比喻（[00:34:31]–[00:35:31]）：随着重心从训练移向推理、移向 token 的使用，系统里必须有东西去做编排（orchestration）、仲裁（arbitration）、以及"这些 token 该去哪"的决策——"token 工厂只管生产 token。那么，把 token 运走、交给用户的那些卡车在哪？这就是 CPU 干的事。" 他的结论句式很谨慎："除非有人发明出某种尚未被定义的机制来取代 CPU，否则 CPU 会过得很好。"
  3. ⚠️ 芯片设计里被 AI 吃掉的不是设计，是验证（[00:07:11]–[00:08:12]）：一颗芯片从设计到出货要 24 到 36 个月，而架构设计与 RTL 生成并不是最耗时的部分——最耗时的是验证、确认、调试、文档。"AI 在这些事上非常擅长。" ⚠️ 他给的采用率是"今天 Arm 内部大概 80% 到 90% 的工程师每天都在用"；而如果把它关掉，他的类比是——"像回到 1990 年代：你有互联网，但被告知只能在下午两点到四点之间用，之后请去走廊尽头的图书馆查书。会天下大乱。" ⚠️ "精灵已经出瓶了，这件事停不下来。"
  4. ⚠️ 工具还不成熟的地方，以及原因（[00:08:12]–[00:09:12]）：RTL 生成、以及最高水准的物理设计与实现，这两块 AI 还不行——"原因很简单：模型是在公开可得的东西上训练的，而这类信息里有很大一部分是高度专有的。"
  5. ⚠️ 他由此推出的 Arm 独特优势，是本库值得长期引用的一条"数据资产"论证（[00:09:12]–[00:10:13]）：Arm 的 IP 组合最丰富，而杀手级的部分不是 IP 本身，是文档和 test bench。他讲了一个反例：以前的芯片公司说"我们这套 IP 很值钱，拿去授权吧"，结果一查——没有文档、没有说明，谁都用不了。 ⚠️ 他的推论链非常干净："不可用且不可测 → 就是不可训练 → 而不可训练，对 AI 就是没用的。"
  6. ⚠️ 他对"AI 设计芯片"的时间线判断，比问题里的预设保守（[00:10:13]–[00:11:13]）：主持人问 24–36 个月会不会压到一年甚至半年。他的回答是：两三年内不会；五年以上，"对某些比较直白的设计，从想法直接到 GDS2 文件（也就是送去晶圆厂开片的那个文件）是很有可能的"。⚠️ 但他立刻给了反例："如果你对工具说'给我设计一个比 Vera Rubin 快 10%、便宜 20%、在这个模型上效率高 30% 的东西'，你按一个按钮是不会马上得到它的。" 他给整个行业的窗口是五到十年。
  7. ⚠️ "只要 transformer 还是 AI 训练与推理的能量单位，它在设计上就是算力密集且内存密集的。"（[00:12:15]）这是他判断供应紧张至少持续三到五年的根据，也是他整套供应链论证的前提句。
  8. ⚠️ 下一个瓶颈：数据中心本身（[00:13:15]–[00:14:16]）：⚠️ "看今天在做的所有项目，没有多少是进度超前、用工少于预期的。" 再叠上美国不同地区要求放慢或限制数据中心建设的声音，基础设施建设会成为逆风。他说了一句很有意思的话——这也许"反而还好"：因为如果基础设施建设不是逆风，那么晶圆产能和内存产能就会是逆风。⚠️ "你会看到一堆不同的调速器（governor），不是州长那个 governor，而是各种会节流这波增长的东西。"
  9. ⚠️ 关于"AI 泡沫"，他做了一个本库应当采用的区分（[00:14:16]）：估值泡沫是股市指数层面的事，另说；⚠️ 但若问"供给是否已经过剩于需求"——"差得远呢，根本不接近。" 理由回到第 7 条：因为这些模型的工作方式决定了需求是贪得无厭的。

一、Arm 自己在供应链里的位置变了

  • 两个位置（[00:01:01]–[00:02:02]）：主业是授权 IP——那个 CPU 核最终进到智能手机、数据中心、汽车里；客户要么自己有 fab（如三星），要么把设计拿去 TSMC 开片。⚠️ 他强调 Arm 的独特视角：因为覆盖的市场特别宽，"我们几乎什么都看得到"——汽车、数据中心、手机各自的情况，所以能从所有角度看供应链。
  • 然后他们自己下了水（[00:02:02]）：去年三月发布了第一个自有产品（他称之为 Arm AGI CPU，在 Hot Chips 上做了展示），于是Arm 自己也要去搞清楚怎么买基板、买晶圆、买内存——"我们现在也齐腰陷在供给侧的所有事情里"。
  • 为什么是现在（三步演化）（[00:02:02]–[00:04:08]）：
  • 早期只提供单个 IP 组件（CPU IP、GPU IP、系统 IP）。
  • 几年前的观察：⚠️ 产品周期没有变慢，而芯片制造时间在拉长，所以"更快拿出方案"的能力越来越重要 → 于是从单个组件走到compute subsystem。他当年路演用的是乐高比喻：我们提供的是"怎么把这些拼起来"的蓝图。 ⚠️ "需求疯了。" 他还记下了一个被推翻的预判：当初有人认为没人会要子系统，"因为那本来就是芯片设计师干的事"，结果它省下的 time to market、成本和速度都很实在。
  • 物理产品是下一跃（[00:03:05]–[00:04:08]）：有些客户有世界上全部的能力自己造 Arm 芯片；但也有很多公司只是想要基于 Arm 的产品，而我们的客户里并不是每家都做服务那些市场的产品。 ⚠️ Meta 是第一个例子：他们想要一颗通用的 agentic CPU，当时市面上没人能给，于是找上门说"不如我们一起做"。
  • 生态的反应比他预期的好（[00:04:08]–[00:05:10]）：⚠️ 他说 CPU IP 的价值完全取决于生态（做芯片的生态 + 做软件的生态），所以他们几乎问了所有客户的意见，"意外地，反弹比我以为的小得多"。原因是：只要外面有更多软件可用（无论专有还是开源），整个生态和客户自己都受益。 他点了NVIDIA、Amazon、Microsoft、Google——这些都在做基于 Arm 的服务器芯片，"他们全都支持"；发布时Jensen 等几家客户的人都来道贺。
  • 从"卖 IP"到"卖芯片"要补的肌肉（[00:05:10]–[00:06:11]）：⚠️ "我们是 fabless 半导体公司，没有 fab，也没打算建 fab"，但这意味着需要供应链运营的人（和 TSMC、三星打交道；和三星、美光、SK 海力士争内存配额），以及后端、版图、实现、bring-up 实验室这些偏物理的能力——"我们本来没有多少'物理的东西'，而那恰恰是原来那个生意的妙处。"
  • ⚠️ 一条主持人提供、Haas 确认的数字（[00:06:11]）：主持人回忆Arm 曾有 98.5% 的毛利率（"我没在别处见过"）；Haas 的原话是"没有库存、没有 RMA、没有废品，这有什么不好？"——他说这是自己 2013 年从 NVIDIA 来 Arm 时的第一反应。⚠️ 本库未核实这个毛利率数字。

二、SoftBank 这一层：资本是新的门槛

  • 他在 SoftBank 的实际角色（[00:17:18]–[00:19:19]）：他说 Masa 在日本股东会上公开讲的战略是机器人、OpenAI、基础设施、Arm这四块；他自己负责 Ampere 与 Graphcore 的方向，以及一家做自动驾驶的 Stack AV；⚠️ 但他给了一个更准确的自我描述："更好的理解方式是，我在 Masa 的很多讨论里都在场，帮他把战略成形，更重要的是帮他执行。"
  • ⚠️ SoftBank Neo：给芯片创业公司的另一条出路（[00:17:18]）：他提到 SoftBank 宣布了要做 neocloud 的意图，而在那个世界里——"我们可以成为这些年轻芯片公司的一个家：换到别的世界里，它们得自己想办法去微软或谷歌拿下一个 design win。"
  • ⚠️ 他给资本密集行业创业者的建议（[00:15:16]–[00:17:18]）：极早期就去建立战略合作——供应链里的人、私募、以及银行，"银行这局现在玩法不一样了"。他对行业状态的判断是一句对照鲜明的话：⚠️ "一方面半导体某种意义上回来了——现在有一波半导体创业公司，而此前很长时间根本没有；但能不能拿到资本，将是它们的闸门。"
  • 他对新进者的现实提醒（[00:11:13]–[00:12:15]）：⚠️ "今天有很多非常好的年轻公司在做 AI 芯片，知名度也高、拿到大量融资、设计有创新——但它们卖进的是一个资本需求极其巨大的行业，而且与内存供应商、基板供应商的关系极端关键。" 主持人补上具体清单：3 纳米产线、16 纳米产线、先进封装产线的获取权。 ⚠️ 他把"供应链的洞察力"称为将来"重要得多的一块肌肉"。

三、机器人：Arm 的位置与他不看好的部分

  • 他对"机器人 1.0"的定义与其门槛（[00:20:20]–[00:21:20]）：过去是专用机械 + 为那个任务优化的软件；新车型产线一上来、设备一换，如果机器人不适配就得把产线整个拆掉，所以门槛很高。新世界是：机器人能靠训练或靠"看到什么"来学；再叠上机械上足够通用、能被重编程；再叠上成本下降——⚠️ "你会问：那它还有什么做不了的？" 他用的意象是《杰森一家》：建筑、基础设施、服务、安保最终大量由机器人完成。
  • ⚠️ 他明确不看好的一件事（[00:21:20]–[00:22:21]）："我不认为会有人有兴趣看机器人体育联赛"——可能有个发烧友群体，但更广的效用在于替代大量人类劳动任务。（Instagram / TikTok 上那些机器人赛跑视频，他归为噪音。）
  • 形态之争他两边都选（[00:22:21]–[00:23:22]）：主持人把假说分成"人形（因为物理世界和工具都是按人设计的，可以直接插进去）"与"专用形态"两派；⚠️ Haas 的回答是"两者都会有"——"有很多工作任务是围绕一个六英尺高、手臂有特定长度的人优化的。"
  • ⚠️ Arm 在机器人里的位置（自述）（[00:22:21]–[00:23:22]）："Arm 会无处不在。" 两个层次：指尖上做实时感知与传感的微处理器——"那些都会是基于 Arm 的"；以及"今天人形机器人里你看到的那些'大脑'，无论是 NVIDIA 的还是 Qualcomm 做的一些工作，今天都跑在 Arm 上。" 结论句："机器人行业将由 Arm 驱动。" ⚠️ 本库记为他本人的主张。
  • ⚠️ 但他对采用节奏给了冷判断（[00:23:22]–[00:24:22]）："还有点早，因为商业模式还没真正被想清楚。" 关键症结是机器人成本太高，让买机器人的人自己承担这个成本，是个很难让人接受的模型——"它真的替代（了人力）吗？"今天真正的机器人销售集中在几个非常定制的应用上：汽车、某些手术机器人、配送中心。
  • 他认为最先自动化的是什么（[00:24:22]）：⚠️ 配送中心"最终完全可以全自动，甚至一路到最后一公里配送"；他还给了一个定义上的扩张——"宽松地说，一辆自动驾驶卡车也是一种机器人。" 所以：工厂自动化、配送与分发，会是最早被自动化的那一批，毫无疑问。

四、保护主义、出口管制与数据中心的反对声

  • 他先声明身份（[00:25:24]）：⚠️ Arm 不是美国公司（总部在英国；他给的员工分布是约 30% 美国、约 40% 英国、约 30% 亚洲），但他以美国公民、以及在半导体行业长大的人的身份回答。
  • 他的历史类比（[00:25:24]–[00:26:24]）：1980 年代美国是半导体领导者，日本在内存定价上非常激进、抢走大量份额，美国于是搞了 Sematech 来重整本国半导体业——他认为当时那是对的一步，而且有很多能量。⚠️ "然后互联网来了，SaaS 公司成了风口，人们差不多忘了半导体是一项具有战略重要性的资产。"
  • ⚠️ 他的立场（[00:26:24]–[00:27:25]）："美国把尽可能多的这类技术放在本国土地上，是极其关键的"——需要更多美国 fab，理由是国家安全与供应链多元化两条。（他说对英国也一样，只是英国的体量小。）
  • ⚠️ 关于出口管制，他的措辞值得原样记录（[00:27:25]）：他把"我们要限制芯片，因为不想让中国赢下这场竞赛"这个说法称为 "一场无限游戏"，并说 "我认为这场竞赛不会有一个赢家"；⚠️ 但他真正担心的后果是另一件事——"你可能走到一个局面：大量关键技术不在美国。那不会是好事。" 他反驳"成本会下降、东西会更便宜"这个说法的方式是：处于技术前沿不只驱动创新，还驱动生态系统。
  • ⚠️ 转录稿这一句在自动字幕里有歧义（"the race is going to be over"），本库只保留可确定的部分：他认为这是无限游戏、不会有单一赢家，而技术外移才是真正的风险。
  • 生态论证的具体化（[00:27:25]–[00:28:27]）：他拿二战后 1950 年代的美国汽车业做例子——底特律是宇宙中心，而威斯康星、俄亥俄、伊利诺伊散布着一整串供给它的生态企业。⚠️ "数据中心是一样的。人们看数据中心说'那就是个大 Costco 盒子，停车场就停两辆车，全自动运行，所以没有就业'。我说这是胡说——能源、液冷、所有让数据中心更好的东西，那些都是可以在本地创造和完成的工作。"
  • 数据中心反对声从哪来（[00:28:27]–[00:31:30]）：主持人指出这些"草根"行动看起来相当协调。⚠️ Haas 的归因是恐惧："AI 意味着失业，而失业意味着一连串后果。" 但他明确说这个恐惧"一点也不成立"，并接受了主持人给的反证——⚠️ 电工工会明确说过"请不要禁数据中心，我们需要这些工作"。他就这一点讲了本页最有社会内容的一段："当电工可能带着某种污名——不被视为高学历工作、不需要博士学位。但它是一份需要大量训练和认证的高技能工作，而且你需要非常多这样的人。"
  • ⚠️ 他同时承认了反对声底下的真实处境（[00:29:27]–[00:30:28]）："这波 AI 繁荣不管好坏，让很多人受益了，但也有很多人完全没有受益。" 美国有很多人房贷都不好还、工资没涨，现在又来了这个 AI 让日子看起来更难——"所以数据中心很不幸地成了 AI 所有可能不好之处的靶心。" 他认为其中一部分是编出来的（他举的例子是"举着假的被污染的水说这毁了供水"）；主持人补充这些议题上也存在有组织的媒体影响。
  • ⚠️ 他最斩钉截铁的一句（[00:31:30]）："从第一性原理讲，无论是智能手机、互联网、个人电脑——填上你最喜欢的那项技术——当领导者没有任何坏处。会有你不喜欢的二阶、三阶效应，但当落后者，是整个剧本由别人来给你写。" 他给的对照是世界上那些在这个领域不是领导者的地方，"经济上和社会上都被落在后面，而政府背着很重的税负"。

五、CPU 的两块机会

  • 主持人给的拆法（[00:33:31]）：一块是机架里的 CPU（Vera、Graviton 这一类），另一块是agent 视角的使用——沙箱、以及 agent 去用我们已有的全部软件、API 调用、工具。
  • Haas 的补充与他真正兴奋的那一块（[00:35:31]–[00:36:31]）：他先把系统观说完——在冯·诺依曼式架构里，你有 CPU、有某种加速器（浮点或 GPU）、有内存系统，这个设计并没有变，只是关注点挪了位置；而这套话适用于数据中心、汽车、机器人、手机、可穿戴。⚠️ 然后是他的落点："随着 footprint 越来越小、而越来越多 AI 要在那里发生，那会是 Arm 的甜点区——因为 CPU 本来就是入场门票，边缘设备要做的所有事都少不了它。" 他给的那个画面很具体：⚠️ "你没法在自己头上装一块 50 瓦的 GPU，所以那部分 AI 处理总得在本地某处完成。"
  • 他自己对"这个行业变了"的感受（[00:32:30]–[00:33:31]）：⚠️ "我整个职业生涯都在这行，过去有很多时候在想：天哪，我们下一个产品要做什么？人们真的还需要又一块平板吗？它得是 8.9 英寸还是 9.2 英寸？" 而现在"AI 带来的机会与创新之丰沛太大了"。他把 Arm 的位置总结成两句：所有 AI 都需要某种程度的算力（这是 Arm 做的事），而那个算力必须是能效高的（这是 Arm 特别擅长的事）——所以那些路都从我们这里过。

⚠️ 自动字幕专名对照（未核实的照录）

字幕原文 本页按上下文还原
Renee Hos / Renee Rene Haas
Allad Elad Gil
Army GIC CPU Arm AGI CPU（他自家第一款产品，命名以官方为准）
Hot Ships Hot Chips（会议）
Ver Rubin / Vera Vera Rubin（NVIDIA 平台）
gravitrons Graviton（AWS）
SKH Highix SK Hynix
Semitech Sematech
Ampier Ampere
MASA / Moss 孙正义（Masayoshi Son）
SoftBank KKK SoftBank KK
Chad GBD ChatGPT
vonomian von Neumann（冯·诺依曼）
open editor（"Jalapeno 新芯片"那条） ⚠️ 未能还原，本库未核实这条消息
⚠️ 98.5% 毛利率、80–90% 工程师日用率、30/40/30 的员工分布 口述数字，本库未核实

交叉链接